📊 statistics

Zero Variance Portfolio

資産数がサンプルサイズを上回る高次元環境において、擬似逆行列を用いた従来の最小分散ポートフォリオが過学習を起こすのに対し、新規の「Ridgelet」推定量を用いることで、訓練データへの完全な適合（ゼロ分散）を維持しつつも、テストデータにおける汎化性能を最大化し、二重降下現象を経て最適なリスクを達成できることを示しています。

原著者： Jinyuan Chang, Yi Ding, Zhentao Shi, Bo Zhang

公開日 2026-02-24

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Jinyuan Chang, Yi Ding, Zhentao Shi, Bo Zhang

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

🎒 1. 従来の常識：「少ないデータで多くの資産を選ぶのは危険！」

まず、従来の投資の世界ではこう考えられていました。

状況: 1000 種類もの株（資産）からポートフォリオ（投資の組み合わせ）を作りたい。
問題: しかし、過去のデータ（学習用）は 1 ヶ月分（約 22 日）しかない。
従来の結論: 「データが少なすぎる！計算すると、過去のデータに過剰適合（あてはまりすぎ）してしまい、未来の市場では大失敗するはずだ！」

これは、**「たった 3 問のテスト問題しか解いていないのに、1000 問の模試で満点を取ろうとする」**ようなもので、普通は「無理だ」と言われてきました。

🪄 2. この論文の発見：「あえて『ゼロ』を目指す」

この論文の著者たちは、AI（人工知能）の最新の知見を応用して、**「あえて過去のデータに完璧に当てはまる（分散＝0）ポートフォリオを作っても、実は未来でもうまくいく」**ことを発見しました。

ここで登場するのが、**「Ridgelet（リッジレット）」**という新しい計算方法です。

🧩 アナロジー：「ジャングルジムと小さな隙間」

従来の方法（Ridgeless/リッジレス）:
過去のデータ（ジャングルジム）に完璧にフィットさせようとすると、**「隙間」**ができてしまいます。この隙間が未来のリスク（転落）につながります。
Ridgelet の方法:
過去のデータに「極小の重り（τ = 10⁻⁸）」を少しだけ乗せます。
- これにより、数学的に「完璧なフィット」が少し崩れますが、**「ジャングルジム全体を滑らかに支える」**ことができます。
- この「極小の重り」が、「ノイズ（誤差）」をフィルタリングする魔法のフィルターの役割を果たします。

📉 3. 「ダブル・デセント（二重下降）」という不思議な現象

この論文が最も面白いと指摘しているのは、**「資産の数が増えるほど、リスクが一度上がって、その後また下がる」**という現象です。

第 1 段階（資産が少ない）: 資産を増やすと、分散投資の効果でリスクが下がります。
第 2 段階（資産が増えすぎると）: 従来の常識では「データ不足で爆発的にリスクが上がる」はずでした。
第 3 段階（資産がさらに増えると）: ここがミソです！ 資産の数がデータ数を大きく超えると、**「またリスクが急激に下がる」**のです。

🌊 例え話：
川を渡るために、石が 10 個しかないのに、川幅が 100 石分あるとします。

石を 10 個並べると、川を渡れません（リスク大）。
しかし、石を 1000 個も用意して川にばら撒くと、実は「どこに足場があるかわからない」状態から、**「川全体が浅い川床に見える」**という不思議な現象が起きます。
結果として、**「石（資産）が多ければ多いほど、川（市場）を安全に渡れる」ようになります。これを「次元の呪いの逆転（次元の祝福）」**と呼びます。

🛠️ 4. 2 つのバージョン：「Ridgelet1」と「Ridgelet2」

論文では、さらに進化させた 2 つのバージョンを提案しています。

Ridgelet1（基本版）:
- 単純に「極小の重り」を乗せるだけ。
- 効果: 従来の手法より圧倒的に良い結果を出します。
Ridgelet2（上級版）:
- さらに、**「個別の株特有の動き（ノイズ）」**を詳しく分析して、その構造に合わせて重りを調整します。
- 効果: 市場の複雑な動き（ファクター）と、個別の株の動き（ノイズ）を完璧に分離し、**「神様（オラクル）が知っているはずの最適解」**に限りなく近づきます。

📊 5. 実証実験：S&P500 と日経平均で試す

この方法は、単なる理論ではなく、実データでも証明されました。

実験: S&P500（米国）や日経平均（日本）の 700 種類以上の株を使って、たった 1 ヶ月分のデータ（22 日）からポートフォリオを組んでみました。
結果:
- 従来の「等权重（すべての株に同じ金額を投資）」や「レギュラーな統計手法」よりも、Ridgelet2 は明らかに低いリスクを達成しました。
- 特に、**「資産数（N）がデータ数（T）を大きく上回る」**状況で、その真価を発揮しました。

💡 まとめ：この論文が教えてくれること

この論文は、**「データが少ないからといって諦める必要はない」**と教えてくれます。

昔の常識: データが少ないなら、複雑な計算は避けて、シンプルにすべき。
新しい常識: データが少なくて資産が多い（N ≫ T）状況こそ、**「あえて複雑なモデル（過剰適合）を使い、極小の調整（Ridgelet）を加える」ことで、AI が教えるように「最強のポートフォリオ」**が作れる。

「ジャングルジム（市場）が広すぎて、石（データ）が足りないように見える時、実は石をたくさんばら撒けば、川全体が浅いことに気づける」。
そんな、逆転の発想が、これからの AI 時代における投資の鍵となるでしょう。

論文「Zero Variance Portfolio」の技術的サマリー

本論文は、資産数（ $N$ ）がサンプルサイズ（ $T$ ）よりも遥かに大きい高次元環境における、最小分散ポートフォリオ（MVP: Minimum Variance Portfolio）の推定問題を取り扱っています。従来の統計的アプローチでは、サンプル共分散行列の逆行列が存在しない、あるいは不安定になるという課題に直面していましたが、著者らは機械学習における「過剰適合（overfitting）」の新たな理解（良性過剰適合）とランダム行列理論（RMT）を応用し、「Ridgelet」推定量を提案しました。

以下に、問題設定、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 問題設定と背景

高次元ポートフォリオ最適化の課題: 現代の金融市場では、S&P500 のような数千の銘柄を扱う際、利用可能な時系列データ（例：月間 22 営業日）は資産数に比べて極めて少ない（ $N \gg T$ ）状況が一般的です。
従来のアプローチの限界:
- 標本共分散行列 $S_0$ をそのまま用いたプラグイン推定量（式 1.2）は、 $N > T$ の場合、 $S_0$ が特異行列となり逆行列が存在しないため、推定が不可能になります。
- 従来の知見では、 $N > T$ において $S_0$ の擬似逆行列（pseudoinverse）を用いる「Ridgeless」推定量は、訓練データへの完全な適合（ゼロ分散）をもたらしますが、これは過剰適合であり、アウトオブサンプル（OOS）での性能が著しく劣化すると考えられてきました。
核心となる問い: $N \gg T$ の環境下において、単純な標本共分散行列に基づきつつ、OOS 性能を最大化するポートフォリオ重みは存在するか？

2. 提案手法：Ridgelet 推定量

著者らは、機械学習の「Double Descent（二重降下）」現象や「良性過剰適合」の知見に触発され、以下の新しい推定量を提案しました。

Ridgelet1（基本形）:
標本共分散行列 $S_0$ に、極めて微小な正の定数 $\tau$ （例： $10^{-8}$ ）を対角成分に加えた行列 $S_\tau = S_0 + \tau I_N$ を用います。
$\hat{\omega}_\tau = \frac{S_\tau^{-1}\mathbf{1}}{\mathbf{1}^\top S_\tau^{-1}\mathbf{1}}$
- 特徴: $\tau$ はハイパーパラメータではなく、数値的安定性を保つための固定された微小定数です。これは、最小 $\ell_2$ ノルムを持つゼロ分散ポートフォリオ（ZVP）の近似解として機能します。
- Ridgeless との違い: 従来の擬似逆行列を用いる Ridgeless 推定量とは数学的に異なり、Ridgelet は $N > T$ において OOS 分散が有限に収束し、Oracle（真の分散行列が既知の場合）の性能に近づきます。
Ridgelet2（改良形）:
因子モデル（Factor Model）の下で、個体固有の共分散行列 $\Omega$ の構造を利用した改良版です。
- 個体共分散行列 $\Omega$ の一貫性のある推定量（例：Fan et al. (2013) の POET 推定量） $\hat{\Omega}$ を用い、 $S_\tau = S_0 + \tau \hat{\Omega}$ とします。
- これにより、因子リスクを除去した後の残差リスクの構造を適切に捉え、より高い精度を達成します。

3. 理論的貢献と結果

A. Double Descent 現象の証明

著者らは、Ridgelet 推定量のリスク曲線が、資産数 $N$ $N$ に対してDouble Descent（二重降下）を示すことを理論的に証明しました。
1. 第一の降下: $N < T$ の領域で、 $N$ の増加に伴いリスクが低下。
2. ピーク: $N \approx T$ の付近でリスクが最大となる。
3. 第二の降下: $N > T$ （過剰パラメータ化領域）に入ると、リスクが再び急激に低下し、Oracle のリスクに収束する。
対照的に、Ridgeless 推定量は $N > T$ において OOS リスクが発散し、等重みポートフォリオ（EW）よりも悪い性能を示すことが証明されました。

B. ランダム行列理論（RMT）による漸近解析

$N, T \to \infty$ かつ $N/T \to \infty$ の極限において、Ridgelet1 の相対分散が Oracle の分散に収束すること、および Ridgelet2 が因子モデルの下で Oracle 分散に収束することを証明しました（定理 1, 定理 2）。
特に、 $\Omega$ が単位行列の定数倍（同分散）の場合、Ridgelet1 は最適性を達成します。 $\Omega$ が一般的な疎行列の場合、Ridgelet2 が最適性を達成します。

C. 数値シミュレーションと実証分析

シミュレーション: 正規分布および重尾分布（t 分布）の条件下で、Ridgelet1/2 が Ledoit-Wolf の線形シェイクレージョン（LS）、非線形シェイクレージョン（FNLS）、等重み（EW）を凌駕することを示しました。特に $N$ が大きい場合、Ridgelet2 の性能が顕著に優れています。
実証分析:
- S&P500 構成銘柄: 1999 年〜2023 年のデータを用い、Ridgelet2 が他の手法と比較して最も低い年間リスクを実現しました。
- マルチナショナルポートフォリオ（S&P500 + 日経 225）: 資産数を約 725 まで拡大した場合でも、Ridgelet2 は安定した低リスクを維持し、次元の呪いの恩恵（Blessing of Dimensionality）を享受できることを示しました。

4. 意義と結論

パラダイムシフト: 従来の「高次元では共分散行列を正則化（シェイクレージョン）して推定すべき」という常識に対し、**「極めて微小なリッジ（ $\tau \to 0$ ）を加えるだけで、過剰適合が良性となり、OOS 性能が向上する」**という逆説的な結果を提示しました。
実用性: 調整パラメータ（チューニングパラメータ）を必要としない（ $\tau$ は固定値）ため、実務において非常に扱いやすく、計算コストも低い手法です。
理論的裏付け: 機械学習の「Double Descent」理論をポートフォリオ最適化の文脈で初めて厳密に定式化し、ランダム行列理論を用いてその正当性を示しました。

結論として、 本論文は、資産数がサンプル数を遥かに上回る現代の金融市場において、Ridgelet 推定量（特に Ridgelet2）が、理論的にも実証的にも最適な最小分散ポートフォリオを構築するための強力なツールであることを示しています。